基于参考影像纹理约束的压缩感知遥感图像重建方法

摘要

本发明公开了一种基于参考影像纹理约束的压缩感知遥感图像重建方法，包括对预先设置的目标影像的稀疏系数设置初始值，计算预先配置的参考影像小波子影像的稀疏系数；基于纹理在小波变换域统计特性，计算目标影像和参考影像小波子影像的纹理特征向量；基于Canberra距离标准，计算上述两个纹理特征向量的距离，得到相似度；根据参考约束形式，将相似度加入到目标影像的稀疏系数中进行更新，计算纹理特征向量相似度，得到目标影像的约束度；重复更新过程，直至目标影像稀疏系数符合预先设置的迭代终止条件。本发明的有益效果为：将参考影像小波变换子影像的统计纹理特征作为先验约束，添加到目标影像的重建过程中，提高目标影像的重建精度。

说明书

技术领域

本发明涉及多源遥感数据的压缩感知信号重建方法，具体来说，涉及一种基于参考影像纹理约束的压缩感知遥感图像重建方法。

背景技术

在遥感影像应用中，同一区域通常包含多源、多时相的影像，这些影像之间的光谱虽然不同，但是其纹理存在很大的相似性。作为遥感影像识别特征之一，影像纹理结构与地物光谱特征和形状特征一起被用于遥感影像的识别。与目标地物的光谱特征相比，遥感影像中地物的纹理结构特征相对更为稳定，因此在高分辨率影像分析中具有重要意义。

鉴于此，需要构造一个惩罚约束项，能够用参考影像的纹理信息来约束目标影像的重建过程；由此可知，现在急需一种基于参考影像纹理约束的压缩感知重建算法，通过借鉴人类视觉系统对影像的处理过程，计算目标影像和参考影像纹理在小波系数中的统计特征，分别构建相应的特征向量，用特征向量的相似程度构建参考约束，约束目标影像稀疏系数的重建过程，提高重建影像的精度。

发明内容

本发明的目的是提供一种基于参考影像纹理约束的压缩感知遥感图像重建方法，该方法借鉴人类视觉系统对影像的处理过程，计算目标影像和参考影像纹理小波系数的统计特征，分别构建相应的特征向量，用特征向量的相似程度构建参考约束，约束目标影像稀疏系数的重建过程，提高重建影像的精度。

本发明的目的是通过以下技术方案来实现：

一种基于参考影像纹理约束的压缩感知遥感图像重建方法，包括以下步骤：

步骤1：对预先设置的目标影像的稀疏系数设置初始值为全零向量，计算预先配置的与目标影像相匹配的参考影像小波子影像的稀疏系数；

步骤2：基于纹理在小波变换域的统计特性，根据目标影像的稀疏系数和参考影像小波子影像的稀疏系数，计算所述目标影像和参考影像小波子影像的纹理特征向量；

步骤3：基于Canberra距离标准，计算目标影像的纹理特征向量与参考影像小波子影像的纹理特征向量的距离，即得到上述两个纹理特征向量的相似度；

步骤4：根据预先定义的参考约束形式，将相似度加入到目标影像的稀疏系数中进行更新，计算更新后的目标影像的纹理特征向量与参考影像的纹理特征向量的相似度，根据相似度得到目标影像基于参考影像的约束度；

步骤5：重复步骤2至步骤4的过程，直至所述目标影像的稀疏系数符合预先设置的迭代终止条件。

进一步的，在步骤2中，所述目标影像的纹理特征向量包括能量、标准差、平均绝对偏差以及熵。

进一步的，在步骤2中，所述小波变换子影像的纹理特征向量包括能量、标准差、平均绝对偏差以及熵。

进一步的，在步骤4中，所述目标影像的纹理特征向量与参考影像的纹理特征向量的相似度与目标影像基于参考影像的约束度成反比关系。

本发明的有益效果为：将参考影像小波变换子影像的统计纹理特征作为先验约束，添加到目标影像的重建过程中，提高目标影像的重建精度。

附图说明

为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。

图1是根据本发明实施例所述的一种基于参考影像纹理约束的压缩感知遥感图像重建方法的流程图。

具体实施方式

下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员所获得的所有其他实施例，都属于本发明保护的范围。

如图1所示，根据本发明实施例的一种基于参考影像纹理约束的压缩感知遥感图像重建方法，包括以下步骤：

步骤1：对预先设置的目标影像的稀疏系数设置初始值为全零向量，计算预先配置的与目标影像相匹配的参考影像小波子影像的稀疏系数；

步骤2：基于纹理在小波变换域的统计特性，根据目标影像的稀疏系数和参考影像小波子影像的稀疏系数，计算所述目标影像和参考影像小波子影像的纹理特征向量；

步骤3：基于Canberra距离标准，计算目标影像的纹理特征向量与参考影像小波子影像的纹理特征向量的距离，即得到上述两个纹理特征向量的相似度；

步骤4：根据预先定义的参考约束形式，将相似度加入到目标影像的稀疏系数中进行更新，计算更新后的目标影像的纹理特征向量与参考影像的纹理特征向量的相似度，根据相似度得到目标影像基于参考影像的约束度；

步骤5：重复步骤2至步骤4的过程，直至所述目标影像的稀疏系数符合预先设置的迭代终止条件。

其中，在步骤2中，所述目标影像的纹理特征向量包括能量、标准差、平均绝对偏差以及熵。

在步骤2中，所述小波变换子影像的纹理特征向量包括能量、标准差、平均绝对偏差以及熵。

此外，在步骤4中，所述目标影像的纹理特征向量与参考影像的纹理特征向量的相似度与目标影像基于参考影像的约束度成反比关系，即相似度越高，约束度越小；相似度越低，约束度越大。

具体使用时，

步骤1：设目标影像的稀疏系数的初始值为全零向量α⁰_obj，计算参考影像的稀疏系数α_ref；

为充分利用人类视觉系统的感知特性，我们在对影像进行稀疏表征时采用小波变换，其多分辨率、多角度的时频特性，使得我们的理特征提取方法能够多尺度、多方向性的纹理特征。

步骤2：基于纹理在小波系数中的统计特征，计算目标影像和参考影像小波系数的统计特征及特征向量fv_obj，fv_ref;

我们假设尺度空间的能量分布可以作为独特的纹理描述特征，视觉皮质的心理学研究也支持这一论断，因此小波变换子影像的能量F_energy、标准差F_sd、平均绝对偏差F_aad以及熵F_entropy，这些参数都可以用作纹理特征识别参数，

 ；

 ；

 ；

；

其中α(x,y)为小波变换后的子影像，

              

 ，表示子影像的均值。

由此可知，所述目标影像和参考影像小波子影像的纹理特征向量分别为：

；

 ；

步骤3：基于Canberra 距离，计算特征向量的距离即相似程度W，其中Canberra 距离定义如下：

       

 其中，m为小波子影像的个数。

步骤4：定义参考约束的形式，并将其加入到目标影像稀疏系数α_obj的更新过程，使得当目标影像和参考影像相距很近时，约束较小，反之，约束较大；

根据预先定义的参考约束如下：

 

 其中，矩阵I_i表示提取第i个小波子影像，W_i为目标影像和参考影像第i个子影像纹理特征间的距离。整个参考约束的意义为：若目标影像和参考影像第i个小波子影像相似度较低，则两幅影像纹理特征间的距离W_i较大，应该保留差异性。

由此，目标函数变为：

 步骤5：求解以上目标函数，求得目标影像稀疏系数，重复步骤2-步骤4的过程，直至目标影像的稀疏系数满足要求。

综上所述，借助于本发明的上述技术方案，借鉴人类视觉系统对影像的处理过程，计算目标影像和参考影像纹理在小波系数中的统计特征，分别构建相应的特征向量，用特征向量的相似程度构建参考约束，约束目标影像稀疏系数的重建过程，提高重建影像的精度。

以上所述仅为本发明的较佳实施例而已，并不用以限制本发明，凡在本发明的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。